[發(fā)明專利]基于BP神經(jīng)算法的輸變電工程造價風(fēng)險評估預(yù)測方法

在審

• 申請?zhí)枺?/td>: 201510688301.2
• 申請日: 2015-10-21
• 公開（公告）號: CN105335818A
• 公開（公告）日: 2016-02-17
• 發(fā)明（設(shè)計）人: 劉毅;劉婷;凌俊斌;王景龍;王朋;方向;張旺;孫海森;黃其昱;吳蓉
• 申請（專利權(quán)）人: 江蘇省電力公司;江蘇省電力公司電力經(jīng)濟(jì)技術(shù)研究院;中國能源建設(shè)集團(tuán)江蘇省電力設(shè)計院有限公司;南京電力工程設(shè)計有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/06
• 代理公司: 南京縱橫知識產(chǎn)權(quán)代理有限公司 32224
• 代理人: 朱妃;董建林

技術(shù)領(lǐng)域

本發(fā)明涉及一種造價風(fēng)險評估預(yù)測方法，特別是涉及一種基于BP神經(jīng)算法的輸變電工程造價風(fēng)險評估預(yù)測方法，屬于動態(tài)預(yù)測工程造價領(lǐng)域。

背景技術(shù)

近年來，我國經(jīng)濟(jì)快速發(fā)展，導(dǎo)致用電需求迅猛增長，只有大力開展輸變電工程建設(shè)，才能緩解電力供應(yīng)緊張的狀況。但是，伴隨電網(wǎng)建設(shè)的突飛猛進(jìn)發(fā)展，在其建設(shè)過程中，也凸顯了當(dāng)前輸變電工程建設(shè)中存在一些問題，如投資大、效益低、造價管理存在漏洞等問題。

其中，造價管理面臨復(fù)雜多變的環(huán)境和各種各樣的不確定因素，這些不確定因素往往會造成輸變電工程投資目標(biāo)失控、“三超”現(xiàn)象的發(fā)生、降低輸變電工程建設(shè)效果和制約電網(wǎng)企業(yè)的效益提升。

發(fā)明內(nèi)容

本發(fā)明的主要目的在于，克服現(xiàn)有技術(shù)中的不足，提供一種基于BP神經(jīng)算法的輸變電工程造價風(fēng)險評估預(yù)測方法，可以準(zhǔn)確、可靠地評估新的輸變電工程的造價風(fēng)險，給工程投資建設(shè)方提供積極的指導(dǎo)意義。

為了達(dá)到上述目的，本發(fā)明所采用的技術(shù)方案是：

一種基于BP神經(jīng)算法的輸變電工程造價風(fēng)險評估預(yù)測方法，包括以下步驟：

1)收集已完成的輸變電工程中目標(biāo)工程的風(fēng)險指標(biāo)，運用BP神經(jīng)算法，對影響造價的風(fēng)險指標(biāo)進(jìn)行指標(biāo)分析，確定造價風(fēng)險指標(biāo)后，形成造價風(fēng)險指標(biāo)體系；

2)收集已完成的輸變電工程中目標(biāo)工程已產(chǎn)生的造價樣本數(shù)據(jù)，根據(jù)造價風(fēng)險指標(biāo)體系對造價樣本數(shù)據(jù)進(jìn)行歸類匯總；

3)運用MATLAB處理數(shù)據(jù)歸一化函數(shù)對歸類匯總后的造價樣本數(shù)據(jù)進(jìn)行歸一化處理，將造價樣本數(shù)據(jù)映射到[0，1]之間，獲得分組樣本數(shù)據(jù)，并計算每組樣本數(shù)據(jù)的期望值；

4)運用MATLAB軟件，創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)函數(shù)，將每組樣本數(shù)據(jù)和期望值進(jìn)行數(shù)據(jù)訓(xùn)練，得到輸變電工程造價風(fēng)險評估預(yù)測模型，用以預(yù)測出新的輸變電工程造價風(fēng)險；

5)模型訓(xùn)練結(jié)束后，采用專家預(yù)測法，邀請專家對新的輸變電工程按照造價風(fēng)險指標(biāo)體系進(jìn)行造價數(shù)據(jù)預(yù)測，用于評價步驟4)預(yù)測的新的輸變電工程造價風(fēng)險。

本發(fā)明進(jìn)一步設(shè)置為：所述目標(biāo)工程為變電站工程項目。

本發(fā)明進(jìn)一步設(shè)置為：所述MATLAB處理數(shù)據(jù)歸一化函數(shù)為，

[Pn，meanp，stdp，Tn，meant，stdt]＝prestd(P，T)

Pn=p-min pmax p-min p]]>

其中，p是所收集的一組數(shù)據(jù)，minp，maxp分別是該組數(shù)據(jù)的最小值和最大值，Pn是映射后的數(shù)據(jù)。

本發(fā)明進(jìn)一步設(shè)置為，所述數(shù)據(jù)訓(xùn)練包括以下步驟：

(1)用隨機數(shù)對每一層的權(quán)值w和閥值b初始化，并進(jìn)行參數(shù)初始化；

參數(shù)初始化包括設(shè)定期望誤差最小值err_goal，設(shè)定最大循環(huán)次數(shù)max_epoch，設(shè)定修正權(quán)值的學(xué)習(xí)速率lr＝0.01-0.7，設(shè)定從1開始循環(huán)訓(xùn)練forepoch＝1:max_epoch；

(2)按照以下公式計算網(wǎng)絡(luò)各層輸出矢量A1和A2，以及網(wǎng)絡(luò)誤差E、與其對應(yīng)的輸出樣本T；

A1＝tansig(w1*p，b1)

A2＝purelin(w2*A1，b2)

E＝T-A2

其中，w1表示隱含層權(quán)值、w2表示輸出層權(quán)值、b1表示隱含層閥值、b2表示輸出層閥值；

(3)按照以下公式計算各層方向傳播的誤差變化D2和D1，計算各層權(quán)值的修正值以及新的權(quán)值；

D2＝deltalin(A2，E)

D1＝deltalin(A1，D2w2)

[dw1，db1]＝learnbp(p，D1，Ir)

[dw2，db2]＝learnbp(A1，D2，Ir)

w1＝w1+dw1；b1＝b1+db1

w2＝w2+dw2；b2＝b2+db2